單目視覺的運動車輛檢測與跟蹤算法.pdf

1、隨著模式識別、機器視覺以及人工智能技術(shù)的快速發(fā)展，基于單目攝像頭的前方運動車輛檢測與跟蹤也逐漸成為目前研究的熱點。它是實現(xiàn)人工智能輔助駕駛系統(tǒng)，乃至車輛全自動駕駛的基礎(chǔ)。運動車輛檢測跟蹤是利用圖像序列中運動車輛在顏色、邊界特征、色彩紋理等方面的差異，檢測出運動物體；提取出運動車輛輪廓形狀等信息，進一步獲取運動車輛的位置、尺寸、速度大小、距離等運動狀態(tài)信息，然后對其進行實時跟蹤。然而，由于顯示環(huán)境中的遮擋物陰影、天氣影響光照強度、復雜背景

2、、目標運動的不確定性等因素影響，使得系統(tǒng)對車輛要同時具備高精確度和高魯棒性的檢測及跟蹤變得十分困難。
　　本文基于單目攝像頭的前方運動車輛，從傳統(tǒng)的運動車輛檢測跟蹤算法入手，針對傳統(tǒng)算法中遇到的困難問題提出了一些新的算法。論文的主要工作和研究成果體現(xiàn)如下：
　　1.由于傳統(tǒng)的檢測算法不具備夜間檢測車輛的能力，并且對于車輛的檢測及跟蹤效果的實時性能存在缺陷，故本文利用機器學習，根據(jù)車輛不同類型的特征匹配5種與其相對應的特征卷積

3、核，提出了基于新型卷積神經(jīng)網(wǎng)絡的運動車輛檢測算法。為了能夠提取對應車型的特征，算法首先通過機器學習提取不同特征所對應的卷積核；然后通過訓練大量的樣本車輛，對本文所構(gòu)建的新型網(wǎng)絡進行參數(shù)訓練，特別是對卷積神經(jīng)網(wǎng)絡中BP神經(jīng)網(wǎng)絡部分中的連接參數(shù)和權(quán)重，如此可以將運動車輛進行目標分類；最后根據(jù)不同的特征進行智能像素標記，同一特征用相同像素值標記，進而提取出目標車輛位置信息，達到模式識別的效果且能夠更快速地跟蹤到目標車輛。仿真結(jié)果表明，該算法對

4、夜間運動車輛有良好的檢測效果，可以有效克服環(huán)境不利因素的干擾，突破了傳統(tǒng)檢測算法的瓶頸。該檢測方法還具有較好的魯棒性，并且其檢測結(jié)果更加貼近人眼視覺分類的效果。
　　2.針對基于新型卷積神經(jīng)網(wǎng)絡的運動車輛檢測算法在對目標車輛進行跟蹤時，對目標車輛跟蹤的實時性不夠理想，因此本文利用基于信息塊技術(shù)，提出了一種基于目標信息塊技術(shù)和超像素點相融合的運動車輛跟蹤算法。算法首先根據(jù)已有的檢測結(jié)果，提取出相關(guān)的目標信息塊，然后將目標信息塊進行超

5、像素點劃分，根據(jù)信息熵概念將車輛與背景邊界進行劃分，有效的降低了跟蹤算法的計算量；然后再利用運動車輛檢測過程中的檢測算法對基于超像素點劃分后的目標信息塊進行檢測，實現(xiàn)了目標車輛跟蹤效果。仿真結(jié)果表明，本文提出的跟蹤算法與相關(guān)算法相比具有較好的實時性，可以準確且實時地檢測出目標車輛，并快速準確地達到跟蹤的效果。同時，該算法的時間開銷對高速行駛的汽車輔助駕駛系統(tǒng)是可行的，并且其檢測誤差非常小，能夠在100Km/h高速運行的情況下達到亞米級別